图像分割是计算机视觉与图像处理中的一个基本问题。图像分割是根据图像的灰度、颜色、纹理等特征的相似性准则,将图像划分成若干不相交的区域。如何提高分割精度、降低分割时间、避免歧义性,一直是该领域研究的重点,为此学者们提出了大量分割方法。高斯混合模型和活动轮廓模型是两类典型的分割模型,它们在目标函数和分割效果上均表现出互补性。本文结合区域统计信息和轮廓曲线的几何信息,得到新的分割方法。该分割方法使活动轮廓模型在演化过程中具有概率项的信息,而概率项在更新参数时具有活动轮廓的几何信息,从而实现分割效果良好。通过用户少量交互,提供已标记标签样本,利用半监督生成式方法改进现有模型,能够显著减少图像分割的歧义性。定义判别模型,设计超像素力,可进一步改善图像分割效果。总结来说,本文主要工作依次递进:一、实现高斯混合模型和活动轮廓有机融合,得到融合后的新方法。实验结果表明该方法兼备CV模型和高斯混合模型的优点,在分割效果上表现良好。二、在前一工作基础上,以用户少量交互的方式引入前景和背景的划线监督信息,利用半监督生成式方法得到新方法。实验结果表明该方法可有效避免出现歧义的分割结果,从而提高图像分割的用户满意程度。三、在工作二基础上,引入超像素力到活动轮廓模型中。首先生成超像素,再通过定义判别模型以定义超像素力,从而构建超像素力数据项,使之作为活动轮廓模型演化数据项之一,由此得到改进后的新方法。实验结果表明该方法进一步改善了图像分割效果。